1. 研究背景
在科技全球化与纺织行业智能化转型的双重驱动下，纺织行业正经历着前所未有的深刻变革[1]。这一变革不仅体现在从传统制造业向新型纺织材料和智能纺织品的持续研发上，也体现在先进纺织生产技术的大力推广和广泛应用中。这些趋势不仅为行业注入了新的活力，也对未来的纺织材料专业人才提出了更高的要求。行业对人才的需求已从传统“会操作、懂工艺”的技术应用型，转向“理论扎实、实践突出、创新引领”的复合型拔尖人才[2]-[5]。他们不仅需要具备扎实的专业知识，以应对日益复杂的材料研发和生产过程，还需要掌握先进的试验设计与最优化方法，以提高研发效率和产品质量[6]-[8]。
从人才培养理论视角来看，项目式学习(PBL)与混合式教学已成为高等教育改革的主流趋势。Barrows提出的PBL强调在复杂问题情境中构建知识[9]，而Garrison提出的混合式教学则主张技术与面对面教学的有机结合。然而，现有研究多集中于教学形式的变革，缺乏对“如何利用AI技术突破传统PBL中试错成本高、数据反馈滞后”这一瓶颈的深入探讨。而本研究在“知行合一”理念指导下，试图弥补现有PBL研究在数据驱动决策方面的不足。通过引入AI赋能，不仅关注学生在项目中的行动，更强调通过AI反馈强化对试验逻辑的深度理解，以此构建理论与实践、传统智慧与现代技术相融合的拔尖人才培养新范式。
2. 试验设计最优化课程教学现状
《试验设计与最优化》是一门融合数学理论、工程实践与数据分析的核心课程，内容涵盖试验设计原理、正交试验、优化算法及工程案例应用等多个方面。传统的教学内容通常由以下三部分构成：① 系统讲解理论公式与原理；② 归纳典型试验设计方法的操作步骤；③ 结合经典案例进行步骤拆解。然而，由于课程内容涉及大量复杂的数学推导和抽象的优化逻辑，学生缺乏直观的实践认知，传统教学方法往往偏重理论讲解，忽略了试验设计的实操性和优化过程的动态性，学生学习的积极性与主动性难以调[10] [11]。
从学生的学习特点来看，学生通常会集中于记忆公式推导过程和固定试验流程，导致对试验设计与优化的核心逻辑理解停留在表面知识层面，使得学生在面对复杂问题时显得力不从心，进而逐渐丧失对课程知识的学习兴趣[12] [13]。
从实践教学的角度来看，《试验设计与最优化》课程需要依托真实的工程试验场景开展实操训练，但传统实践教学多以虚拟案例模拟为主，缺乏与工业生产实际接轨的试验平台和项目载体，学生难以接触到实际生产中的变量控制、误差分析和多目标优化难题，导致实践教学与工程实际需求严重脱节，难以满足应用型拔尖创新人才的培养要求[14]-[16]。
3. 试验设计最优化视角下人才培养模式改革与探索的实施
3.1. 试验设计最优化课程教学改革的总体思路
试验设计与最优化课程教学改革总体思路如图1所示，《试验设计与最优化》课程的教学创新改革主要从以下3个方面展开。
(1) 课程体系多元融合。保留经典试验方法，新增AI优化模块适配行业智能需求，联动多学科设交叉模块，借国产纺织技术案例与试验伦理要求融入思政，筑牢知识与素养底座。
(2) 教学模式以应用创新为导向。以纺织真实项目为核心推进项目制学习，结合企业实践让学生参与生产线试验优化，通过跨学科工作坊拓宽创新视野，实现“学做创一体”的能力落地。
(3) 智慧平台提供技术支撑。通过可视化知识图谱清晰梳理行业热点逻辑与知识关联，借助虚拟仿真技术低成本复刻纺织试验全流程，依托AI智能系统实现数据高效处理与个性化学习路径生成，全方位提升学生学习效率与实践操作能力。
通过课程体系多元性、教学模式创新性、智慧平台科技性的三位一体改革，实现理论与实践和AI的深度融合，培养懂试验、会AI、能创新的纺织高层次人才。
Figure 1. Overall approach to reform and exploration of talent training models from the perspective of experiment design optimization
图1. 试验设计最优化视角下人才培养模式改革与探索的总体思路
3.2. 试验设计最优化课程教学改革的实施方法
(1) 建设多元融合的课程体系
a) 传统与现代融合。本课程体系将传统纺织知识与现代科技前沿紧密结合，通过增设“智能纺织品的开发与应用”等前沿课程模块，拓宽学生的知识视野，激发他们的创新思维和解决实际问题的能力。
b) 跨学科融合。为了培养学生的跨学科思维与综合能力，本项目开发了一系列跨学科课程模块，这些模块将涵盖从原料选材、纺织品设计、到生产和销售的全方位知识，使学生能够在多学科背景下思考并解决问题。
c) 课程思政融入。本项目通过案例分析、小组讨论等方式，融入课程思政，培养学生的职业道德、社会责任感和可持续发展意识，引导学生关注纺织行业的社会影响，培养其社会责任感。
构建的课程体系及融合元素框架如图2所示。
Figure 2. Curriculum system and integration elements framework
图2. 课程体系及融合元素框架
(2) 构建以应用和创新为导向的教学模式
a) 企业环境实践：学生在真实或模拟的企业环境中，从产品设计研发到应用的全过程进行实践。这将使他们能够亲身体验纺织行业的实际操作流程，培养实践能力和工程应用能力。
b) 跨学科工作坊与研讨会：定期举办跨学科工作坊和前沿技术研讨会，邀请行业代表、科研专家与学生面对面交流。这些活动将分享最新研究成果和技术趋势，激发学生的探索精神和创新意识，促进他们与业界专家的互动与合作。
c) 参与科研项目：鼓励学生积极参与各类科研项目，通过实践中的学习与探索，培养他们的科研能力和问题解决能力。同时，结合导师指导和资源支持，确保学生在科研过程中得到充分的帮助和成长。
(3) 搭建高效便捷的智慧课程平台
为了提供更为灵活、个性化的学习环境，以现有平台为基础，进一步建立符合“素质–能力–知识”路径的高效便捷智慧课程平台。搭建框架结构如图3所示。
a) 建系统化、可视化、智能化的知识谱图：根据专业培养目标，对课程知识点进行全面梳理和系统整合，明确知识点之间的内在逻辑关系，以“知识地图”的形式直观地呈现整门课程的知识结构和分布。并通过信息技术手段对知识图谱进行管理，提供知识结构的可视化展示，帮助学生构建系统化的知识体系。进一步地，通过知识谱图构建知识体系，通过思维导图整合知识与提升理解，通过深化拓展提升综合应用与创新能力，最终实现从“知识谱图–思维导图–深化拓展”的转变。
b) 虚拟仿真实验与在线学习：本项目将以现有虚拟仿真实验和智慧课程平台为基础，进一步搭建集案例库、虚拟仿真实验、在线学习等功能于一体的智慧课程平台，使学生能够在不受时间和空间限制的情况下进行远程、虚拟的学习。
c) 智能数据分析系统：通过AI技术，平台能够根据学生的学习进度和兴趣智能推荐学习资源，提供个性化的学习路径，提升学习效果。平台还会对学生的学习情况进行深入分析，并反馈给教师端，以便持续改进和优化。
Figure 3. Smart platform architecture framework
图3. 智慧平台搭建框架
3.3. 典型教学案例实施：AI辅助下的功能性面料拒水整理工艺优化
为具体展示改革成效，选取“棉织物无氟拒水整理工艺优化”模块作为典型案例。该模块融合了虚拟仿真、AI预测与实体试验，具体流程如下：
a) 课程设计与问题导入：教师发布企业真实需求——“在保证棉织物透气性的前提下，最大化其拒水等级(接触角)”。学生需设计正交试验方案。
b) 虚拟仿真与AI初筛：
学生利用智慧平台的虚拟仿真模块，模拟不同浓度拒水剂、焙烘温度和时间下的整理效果。
c) 引入AI辅助设计工具(基于Python的响应面分析算法)。学生输入虚拟试验数据，AI工具自动生成三维响应面图，并预测最优工艺区间。这一步骤解决了传统方法中盲目试错、耗材巨大的痛点，帮助学生将实体试验范围从“全因子”缩小至“高潜效”区域。
d) 实体操作与数据验证：学生根据AI推荐的参数范围(如焙烘温度150℃~160℃)进行实体小样试制，并测试接触角与透气率。
e) AI数据分析：面对“拒水性”与“透气性”可能存在的矛盾，学生利用平台的多目标遗传算法工具进行权衡分析，最终确定最佳折中方案。
f) 项目产出：学生提交包含AI预测模型对比图、实体测试报告及优化后的工艺单，实现了从理论模拟到工程应用的闭环。
4. 教学改革实施效果评价
为验证本研究提出的培养模式改革的有效性，采用准实验设计与问卷调查相结合的方法，改革前后的教学效果进行了定量评估。
研究对象与数据收集
选取嘉兴大学纺织工程专业研究生为研究对象。其中，2023级研究生(45人)作为对照组，采用传统教学模式；2024级研究生(48人)作为实验组，实施“知行合一·AI赋能”教学改革。两组学生在入学成绩、前置课程基础等人口学特征上无显著差异(p > 0.05)。数据收集时间分别为两届学生课程结束后的期末节点。利用SPSS 26.0软件对数据进行独立样本t检验，结果如表1所示。
Table 1. Comparison of teaching effectiveness before and after the reform
表1. 改革前后教学效果差异性检验
评估指标 |
对照组(n = 45) |
实验组(n = 48) |
t值 |
p值 |
效应量(Cohen’s d) |
主观评价指标 |
|
|
|
|
|
学习满意度(1~5分) |
3.42 ± 0.65 |
4.60 ± 0.42 |
−10.54 |
<0.001 |
2.15 |
实践操作信心(1~5分) |
3.15 ± 0.71 |
4.45 ± 0.55 |
−9.88 |
<0.001 |
2.04 |
创新思维能力(1~5分) |
2.98 ± 0.68 |
4.28 ± 0.61 |
−9.65 |
<0.001 |
2.01 |
客观产出指标 |
|
|
|
|
|
主动课题参与率(%) |
35.5% |
78.2% |
|
<0.01 (χ2) |
|
课程项目优良率(%) |
55.0% |
85.4% |
|
<0.01 (χ2) |
|
人均学术产出(篇/项) |
0.45 ± 0.20 |
1.20 ± 0.55 |
−8.72 |
<0.001 |
1.82 |
统计结果显示，实验组在各项指标上均显著优于对照组。差异显著性验证：配对t检验结果显示，学习满意度(t = −10.54, p < 0.001)和实践操作信心(t = −9.88, p < 0.001)提升最为明显。这表明AI辅助工具降低了复杂算法的认知门槛，使学生能更专注于工程逻辑本身，从而提升了自信心。同时，人均学术产出显著增加，验证了“知行合一”模式下，学生将理论转化为科研成果的能力得到了实质性增强。
5. 结语
本研究以纺织行业智能化转型需求为导向，以《试验设计与最优化》课程为核心，通过“三维融合”课程体系、“三位一体”教学模式、AI赋能智慧平台的协同改革，构建了纺织类应用型拔尖创新人才培养新模式，此次课程改革不仅有效破解了传统培养中理论与实践脱节、跨学科融合不足和技术赋能缺失的难题。也为其他应用型高校的纺织工程专业教学改革提供了有益参考。
基金项目
嘉兴大学研究生教育教学改革项目资助(编号No. 651124001)；全省生物基健康功能纤维材料重点实验室开放基金(2025ZY01057)。
NOTES
*通讯作者。